डेटा-ओरिएंटेड तत्व-आधारित अनुमानित सक्रियण गोपनीयता-संरक्षित न्यूरल नेटवर्क के लिए

गोपनीयता-संरक्षित न्यूरल नेटवर्क (PPNN) का विकास इस प्रकार से किया गया है कि यह उपयोगकर्ता की गोपनीयता का उल्लंघन किए बिना अनुमान लगाता है, जो चिकित्सा निदान के लिए एक आवश्यक उपकरण के रूप में कार्य कर सकता है ताकि बड़े डेटा की उपयोगिता और गोपनीयता संरक्षण को एक साथ प्राप्त किया जा सके। PPNN को सक्षम करने के लिए एक प्रमुख तकनीक के रूप में, पूर्ण होमोमोर्फिक एन्क्रिप्शन (FHE) एक बड़ी चुनौती का सामना कर रहा है कि होमोमोर्फिक संचालन को गैर-रेखीय सक्रियण गणनाओं के लिए आसानी से अनुकूलित नहीं किया जा सकता। इस पत्र में, बैच-उन्मुख तत्व-आधारित डेटा पैकिंग और अनुमानित सक्रियता का प्रस्ताव किया गया है, जो गैर-रेखीय सक्रियण फ़ंक्शन - ReLU के अनुमान के लिए रैखिक निम्न-डिग्री बहुपदों को प्रशिक्षित करते हैं। अन्य अनुमानित सक्रियण विधियों की तुलना में, प्रस्तावित सूक्ष्म, प्रशिक्षित अनुमान योजना प्रभावी रूप से अनुमानात्मक त्रुटियों के कारण होने वाले सटीकता के नुकसान को कम कर सकती है। इस बीच, तत्व-आधारित डेटा पैकिंग के कारण, एक बड़ी बैच की छवियों को एक साथ पैक और अनुमानित किया जा सकता है, जिससे ciphertext स्लॉट की उपयोगिता अनुपात बहुत अधिक हो जाती है। इसलिए, हालांकि कुल अनुमान समय तेज़ी से बढ़ता है, प्रत्येक चित्र के लिए औसत समय वास्तव में घटता है, खासकर जब बैच का आकार बढ़ता है। इसके अलावा, ज्ञान आसंजन को अनुमान सटीकता को बढ़ाने के लिए प्रशिक्षण प्रक्रिया में अपनाया गया है। प्रयोगात्मक परिणाम बताते हैं कि जब ciphertext अनुमान 4096 इनपुट छवियों पर किया जाता है, तो वर्तमान सबसे कुशल चैनल-आधारित विधि की तुलना में, अनुमान सटीकता में 1.65% का सुधार होता है, और औसत अनुमान समय 99.5% कम हो जाता है।